CN110952978B - 一种基于神经网络数据挖掘的钻井漏失裂缝宽度预测方法 - Google Patents
一种基于神经网络数据挖掘的钻井漏失裂缝宽度预测方法 Download PDFInfo
- Publication number
- CN110952978B CN110952978B CN201911322600.9A CN201911322600A CN110952978B CN 110952978 B CN110952978 B CN 110952978B CN 201911322600 A CN201911322600 A CN 201911322600A CN 110952978 B CN110952978 B CN 110952978B
- Authority
- CN
- China
- Prior art keywords
- data
- width
- drilling
- neural network
- leakage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000005553 drilling Methods 0.000 title claims abstract description 57
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 27
- 238000007418 data mining Methods 0.000 title claims abstract description 16
- 238000003384 imaging method Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 26
- 230000010354 integration Effects 0.000 claims abstract description 14
- 238000004140 cleaning Methods 0.000 claims abstract description 12
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 238000006243 chemical reaction Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 239000000463 material Substances 0.000 claims abstract description 4
- 239000012530 fluid Substances 0.000 claims description 14
- 238000012546 transfer Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 239000004568 cement Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims 1
- 239000002002 slurry Substances 0.000 claims 1
- 238000010276 construction Methods 0.000 abstract 1
- 210000002569 neuron Anatomy 0.000 description 10
- 239000011435 rock Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 229910052500 inorganic mineral Inorganic materials 0.000 description 5
- 239000011707 mineral Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000005206 flow analysis Methods 0.000 description 2
- 238000005086 pumping Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002425 crystallisation Methods 0.000 description 1
- 230000008025 crystallization Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
- E21B47/10—Locating fluid leaks, intrusions or movements
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Geophysics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种基于神经网络数据挖掘的钻井漏失裂缝宽度预测方法。该方法包括：收集目标区块历史钻井数据、堵漏案例及成像测井真实缝宽等数据资料；针对上述收集的各项数据资料进行数据预处理，预处理内容包括数据清洗、集成和转换；以预处理后的历史钻井数据为输入，以裂缝宽度为输出，以成像测井真实缝宽为标准值，监督训练并优化得到裂缝宽度预测神经网络模型；将目标正钻井相关钻井即时数据导入神经网络模型，由模型自动判断出此时刻对应井深裂缝宽度。利用本申请实施例提供的技术方案可以便捷、精准的进行正钻井裂缝宽度即时预测，从而为堵漏施工人员提供决策支持，提高裂缝性漏失的一次堵漏成功率。
Description
技术领域
本发明涉及一种基于神经网络数据挖掘的钻井漏失裂缝宽度预测方法，属于钻井液裂缝性漏失及堵漏领域。
背景技术
针对钻井堵漏裂缝宽度预测问题，目前已存在一些应对方案。目前国内外通用的预测裂缝宽度大小的技术方法主要有岩心对比法、薄片鉴定法、流量分析法和井间成像测井法四种。
岩心对比法主要通过岩石取心的方法来观察描述包括裂缝宽度在内的部分地质特性，该方法的局限性在于岩石取心不仅过程复杂，而且花费高昂，并且根据取心结果虽可以判断出该地区的裂缝宽度特性，但准确性偏低，不能对裂缝性漏失带来有效的帮助。
薄片鉴定法是在偏光显微镜下鉴定透明矿物和岩石的一种方法。将矿物或岩石标本磨制成薄片，在偏光显微镜下观察矿物的结晶特点，测定其光学性质，确定岩石的矿物成分，研究它的结构、构造，分析矿物的生成顺序，确定岩石类型及其成因特征，并根据岩石特征定出其宽度。该方法工序复杂，需要大量时间来完成，故不适用于现场堵漏情况。
流量分析法是利用漏失时间和漏失流量两个参数来判断裂缝宽度的，该方法虽然流程简单，但只适用于单一裂缝工作液漏失问题，对于多裂缝或垂直裂缝情况无法判断，故局限性太大，不适用于堵漏情况。
井间成像测井法包括声波成像、电磁波成像和电阻率成像三种方式，该方法自1968年问世，至今难以普及，因为该方法存在以下局限性：
(1)井间成像测井法只能在堵漏成功之后测得裂缝宽度，而无法在现场漏失情况发生、亟待进行堵漏作业时得到裂缝宽度值，所以它无法支持堵漏现场辅助决策，只能进行事后验证，这是它的一大弊端。
(2)无论是声波成像、电磁波成像还是电阻率成像，其测试工序都非常复杂、测试周期很长，并且花费高昂，因此难以普遍实施。
经检索，中国专利申请号CN201710666181.5，申请公布日为2018年1月16日，发明创造名称为确定水平裂缝宽度的方法及装置，该申请案涉及一种确定水平裂缝宽度方法，包括以下步骤：A.建立待处理井的数值模型，并模拟所述数值模型在各条水平裂缝下的声波测井波形；B.根据所述各条水平裂缝下的声波测井波形，确定该条水平裂缝的第一斯通利波幅度变化量；C.根据所述各条水平裂缝的第一斯通利波幅度变化量，确定裂缝宽度与斯通利波幅度变化量之间的关系曲线；D.根据所述待处理井的声波测井波形，获取所述待处理井中每条水平裂缝的第二斯通利波幅度变化量；E.根据所述关系曲线以及所述待处理井中每条水平裂缝的第二斯通利波幅度变化量，确定所述待处理井中每条水平裂缝的宽度。
该申请案提出了一种确定水平裂缝宽度的技术方案，但其不足之处在于：第一，该申请案所描述的方法中通过建模的方法确定声波测井波形具有很大的不确定性，会影响其最终测得的裂缝宽度结果；第二，该方法只能确定水平裂缝宽度目标值，而无法解决垂直裂缝、斜裂缝、交叉裂缝等情况的确定问题，故而具有很大的局限性。
发明内容
针对现有技术中获取裂缝宽度方法的不足，本发明的目的在于提出一种基于神经网络数据挖掘的钻井漏失裂缝宽度预测方法，该发明通过对预处理后的历史钻井数据、堵漏案例及成像测井真实缝宽等数据资料进行数据分析与数据挖掘的方式，来提供一种便捷、精准，又能实现正钻井裂缝宽度即时预测的方法。
具体地说，本发明是采用以下的技术方案来实现的，包括下列步骤：
1)采集目标区块历史钻井数据、堵漏案例及成像测井真实缝宽等数据资料
通过对目标区块历史钻井数据、堵漏案例及成像测井真实缝宽等数据资料的收集、整理和验证，确定了12个输入参数的参数集：地层岩性、井深、漏失速度、塑性粘度、钻井液密度、钻井液静切力、钻井液动切力、泥饼厚度、PH值、排量、钻速、泵压。将收集到的成像测井实测该区块漏层的裂缝宽度真实值，作为模型训练的标准值。
2)针对上述收集的各项数据资料进行数据预处理，预处理内容包括数据清洗、集成和转换
为了能通过数据挖掘的方式来直观的推测出裂缝宽度与钻井堵漏井史参数之间的关联规则，本方法采用数据清洗、集成和转换的方式进行数据预处理。
3)以预处理后的历史钻井数据为输入，以裂缝宽度为输出，以成像测井真实缝宽为标准值，监督训练并优化得到裂缝宽度预测神经网络模型
上述技术方案的进一步特征在于，所述对裂缝宽度预测神经网络模型监督训练及优化过程如下：
3-1)设置训练集的输入参数InputData，将1)中收集整理的12个井史参数作为神经网络训练的数据；
3-2)设置训练集的输出标准值OutputTarget，标准值为成像测井实测该区块对应漏层的裂缝宽度；
3-3)建立BP神经网络，设置输入层、隐含层、输出层的节点个数，设置传递函数，并利用L-BFGS算法对模型进行无约束非线性优化。
4)正钻井裂缝性漏失缝宽即时预测
输入目标正钻井相关钻井即时数据InputData2，由模型自动判断出此时刻对应井深裂缝宽度。
上述技术方案的进一步特征在于，所述步骤2)中，针对井史数据进行数据清洗、集成和转换的方法为：
2-1)数据清洗内容主要包括数据补缺方法和噪声数据平滑技术；
2-2)数据集成内容主要包括实体识别与匹配、冗余和相关分析、元组重复数据监测；
2-3)数据转换内容主要为数据归一化。
上述技术方案的进一步特征在于，所述步骤3)中利用裂缝宽度预测值与标准值等数据进行监督训练的方式为：
基于裂缝宽度预测值和成像测井实测值之间的差距，反向传播算法会相应更新神经网络参数的权值，并根据权值来对神经网络进行修改，模型预测值在不断地修改中接近目标值，直到达到一定的准确率或训练次数为止。
上述技术方案的进一步特征在于，所述步骤4)中得到裂缝宽度预测值对实际裂缝堵漏作业的有益效果为：
通过预测得出的漏失裂缝宽度，作为选用桥塞、凝胶、水泥浆堵漏等方法及相关材料的判断依据，为钻井堵漏技术人员和施工人员提供更加准确、有效的决策依据，从而提高裂缝性堵漏工作的效率，增加堵漏作业的一次成功率，避免了重复作业。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
附图1数据处理框图；
附图2BP神经网络模型结构示意图；
附图3裂缝宽度预测BP神经元结构图；
附图4裂缝宽度预测方法实施流程图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
图1是本发明技术方案中的数据处理框图，由图1可知，数据处理内容包括数据清洗、集成和转换，其中数据清洗内容主要包括数据补缺方法、噪声数据平滑技术；数据集成内容主要包括实体识别与匹配、冗余和相关分析、元组重复数据监测；数据转换内容主要为数据归一化。
图2是本发明技术方案中的神经网络结构示意图，其拓扑结构包括输入层、隐含层、输出层，每一层和邻层之间都以BP神经元的方式连接，故而可采用三层神经网络结构模型，地层性质参数可转换成数字当量输入神经网络中。本实例为了全面考虑主要参数对裂缝宽度预测的影响，将预处理后的历史钻井数据作为输入参数，以裂缝宽度为输出参数，以成像测井真实缝宽为标准参数，监督训练并优化得到裂缝宽度预测神经网络模型。
由图3可知，BP神经元的输入为P，代表各类井史参数，权值和阈值分别为w和b，代表BP预测裂缝宽度反馈值，线性神经元模型的输出为y，代表裂缝宽度预测值。BP神经元与其他神经元类似，不同的是BP神经元的传递函数为非线性函数。本网络输入层与输出层之间的神经元个数分别为12和1，采用下式来计算隐含层节点个数k。
式(1)中，n代表输入层神经元个数，m代表输出层神经元个数，a是介于1～10之间的常数，故k为4～14。选择不同的k值训练模型，最终得到最佳精度的隐含层节点数。
图4是本发明技术方案的实施流程图，具体如下：
1)收集目标区块历史钻井数据、堵漏案例及成像测井真实缝宽等数据资料
通过对目标区块历史钻井数据、堵漏案例等数据资料的收集、整理和验证，确定了12个输入参数的变量集：地层岩性、井深、漏失速度、塑性粘度、钻井液密度、钻井液静切力、钻井液动切力、泥饼厚度、PH值、排量、钻速、泵压。收集成像测井实测该区块漏层的裂缝宽度真实值，作为模型训练的标准值。
2)针对上述收集的各项数据资料进行数据预处理，预处理内容包括数据清洗、集成和转换
为了能通过数据挖掘的方式来直观的推测出裂缝宽度与钻井堵漏井史参数之间的关联规则，本方法采用数据清洗、集成和转换的方式进行数据预处理。数据清洗内容主要包括数据补缺方法、噪声数据平滑技术；数据集成内容主要包括实体识别与匹配、冗余和相关分析、元组重复数据监测；数据转换内容主要为数据归一化。
2-1)数据补缺是采用软件的方法用全局变量或特征平均值来替换缺失值。
2-2)噪声数据平滑技术是利用函数算法来对可能会降低数据挖掘性能的噪点进行平滑处理，通过减少噪点来提高数据预测的准确性。
2-3)数据集成是将数据类型不同的大量的井史数据导入模块中。当前国内大部分井场在钻井期间的井史数据参数保存格式较为混乱，数据储存格式的不同为数据处理增加了许多难度，因此本方法设置了井史数据参数集成方案来将数据类型加以统一，从而方便了数据的处理。
2-4)实体识别与匹配要求在集成期间，当一个数据库的属性与另一个数据库的属性匹配时，必须特别注意元数据的结构，包括名字、含义、数据类型以及处理空白、零或NULL值的空值规则，从而确保源系统中的函数依赖和参照约束与目标系统中的匹配。
2-5)冗余和相关性分析要求数据中不能出现一个属性可以由另一个数据导出的现象，其相关性可以通过计算属性之间的相关系数来进行参考估计。
2-6)元组重复数据检测要求在元组级进行重复检测，在给定的唯一数据实体中避免存在两个或多个相同的元组。
2-7)数据归一化是将预处理的数据被限定在[-1,1]的范围内，从而将数据的所有特征都映射到同一尺度上，这样可以避免由于量纲的不同使数据的某些特征形成主导作用。
3)以预处理后的历史钻井数据为输入，以裂缝宽度为输出，以成像测井真实缝宽为标准值，监督训练并优化得到裂缝宽度预测神经网络模型
设置训练集的输入参数InputData，将1)中收集整理的12个井史参数作为神经网络训练的数据；设置训练集的输出标准OutputTarget，标准值为成像测井实测该区块对应漏层的裂缝宽度；建立BP神经网络，设置输入层、隐含层、输出层的节点个数，设置传递函数，并利用L-BFGS算法对模型进行无约束非线性优化。
本发明的进一步特征在于，所述对裂缝宽度预测神经网络模型监督训练及优化的具体过程如下：
3-1)本发明技术方案中的实例模型设计使用的第一层传递函数为正切S形函数tansig，第二层传递函数是purelin。
3-2)本发明技术方案中实例模型的权重和阈值的初始化方法为：
首先基于Nguyen-Widrow算法随机产生BP神经网络初始权重和阈值，再通过第二次初始化将隐含层和输出层的阈值全部归零，最后通过第三次初始化利用randanr函数随机产生隐藏层到输出层的权重参数。
3-3)本发明技术方案中利用L-BFGS算法对模型进行无约束非线性优化的步骤如下：
第一步，定义初始点和允许误差，存储最近迭代次数m＝6，并令k＝0，H0＝I，r＝▽f(x0)，其中H0暂定为单位矩阵，f(x0)初始设定为双曲正切函数；
第二步，如果
成立，则返回最优解xk+1，否则转至下一步；
第三步，确定此次迭代方向pk与步长αk，并利用下式开始计算：
第四步，更新权重x，并在k>m时保留m次向量：
xk+1＝xk+αkpk (3)
第五步，计算下列式子并保存：
sk＝xk+1-xk (4)
第六步，用two-loop recursion算法得到：
叠加次数后，转第三步。
值得注意的是，运用L-BFGS方法优化数值时，每次迭代都需要一个Hk-m，经过查阅相关资料并多次尝试，最终证明下列取法最适合：
4)将目标正钻井相关钻井即时数据导入神经网络模型，由模型自动判断出此时刻对应井深裂缝宽度
4-1)本发明技术方案中神经网络训练误差目标值设置为0.001，最大训练次数设置为1000次；
4-2)本发明技术方案中利用裂缝宽度预测值与标准值等数据进行监督训练的方式为：
基于裂缝宽度预测值和成像测井实测值之间的差距，反向传播算法会相应更新神经网络参数的权值和阈值，并通过权值和阈值的变化来对神经网络进行修改，模型预测值在不断地修改中接近目标值，直到达到一定的准确率或训练次数为止。
本发明的进一步特征在于，通过预测得出的漏失裂缝宽度，作为选用桥塞、凝胶、水泥浆堵漏等方法及相关材料的判断依据，为钻井堵漏技术人员和施工人员提供更加准确、有效的决策依据，从而提高裂缝性堵漏工作的效率，增加堵漏作业的一次成功率，避免了重复作业。
本申请并不限于上述实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明基本思想和宗旨的前提下，其他受到本发明启发而进行的许多其他方式的具体变换，均属于本发明的保护范围内。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合和替换。为了避免不必要的重复，本发明对各种可能的组合及替换方式不再另行说明。
Claims (6)
1.一种基于神经网络数据挖掘的钻井漏失裂缝宽度预测方法，其特征在于，该方法包括以下步骤：
1）通过对目标区块历史钻井数据、堵漏案例及成像测井真实缝宽数据资料的收集、整理和验证，确定了12个输入参数构成的输入参数变量集：地层岩性、井深、漏失速度、塑性粘度、钻井液密度、钻井液静切力、钻井液动切力、泥饼厚度、PH值、排量、钻速、泵压，将收集到的成像测井实测该区块漏层裂缝宽度真实值，作为模型训练的标准值；
2）为了能通过数据挖掘的方式来直观的推测出裂缝宽度与输入参数变量集之间的关联规则，所述裂缝宽度预测方法采用数据清洗、集成和转换的方式进行数据预处理；数据集成用于统一数据类型；数据清洗内容主要包括数据补缺方法、噪声数据平滑技术；数据集成内容主要包括实体识别与匹配、冗余和相关分析、元组重复数据监测；数据转换内容主要为数据归一化；
3）以预处理后的输入参数变量集为输入，以裂缝宽度为输出，以成像测井真实缝宽为标准值，监督训练并优化得到裂缝宽度预测神经网络模型；
4）输入目标正钻井相关钻井即时数据，由模型自动判断出此时刻对应井深裂缝宽度。
2.根据权利要求1所述的基于神经网络数据挖掘的钻井漏失裂缝宽度预测方法，其特征在于，通过对地层岩性、井深、漏失速度、塑性粘度、钻井液密度、钻井液静切力、钻井液动切力、泥饼厚度、PH值、排量、钻速、泵压数据参数进行数据挖掘，来达到即时预测正钻井裂缝宽度的效果。
3.根据权利要求1所述的基于神经网络数据挖掘的钻井漏失裂缝宽度预测方法，其特征在于，对裂缝宽度预测神经网络模型监督训练及优化具体包括：
通过设置训练集的输入参数，将1)中收集整理的12个输入参数作为神经网络训练的数据；设置训练集的输出标准，标准值为成像测井实测该区块对应漏层的裂缝宽度；建立BP神经网络，设置输入层、隐含层、输出层的节点个数，设置传递函数，并利用L-BFGS算法对模型进行无约束非线性优化。
4.根据权利要求3所述的基于神经网络数据挖掘的钻井漏失裂缝宽度预测方法，其特征在于，所述设置输入层、隐含层、输出层的节点个数具体包括：设置输入层节点数为12，分别代表12个井史输入参数；设置输出层节点数为1，代表裂缝宽度预测值。
5.根据权利要求3所述的基于神经网络数据挖掘的钻井漏失裂缝宽度预测方法，其特征在于，设置隐含层的节点个数具体包括：采用经验公式
，其中k为隐含层节点个数，m、n分别代表输出层和输入层节点个数，a＝1～10。
6.根据权利要求1所述的基于神经网络数据挖掘的钻井漏失裂缝宽度预测方法，其特征在于，通过预测得出的漏失裂缝宽度，作为选用桥塞、凝胶、水泥浆堵漏方法及相关材料使用的判断依据，为钻井堵漏技术人员和施工人员提供更加准确、有效的决策依据，从而提高裂缝性堵漏工作的效率，增加堵漏作业的一次成功率，避免了重复作业。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911322600.9A CN110952978B (zh) | 2019-12-20 | 2019-12-20 | 一种基于神经网络数据挖掘的钻井漏失裂缝宽度预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911322600.9A CN110952978B (zh) | 2019-12-20 | 2019-12-20 | 一种基于神经网络数据挖掘的钻井漏失裂缝宽度预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110952978A CN110952978A (zh) | 2020-04-03 |
| CN110952978B true CN110952978B (zh) | 2020-11-06 |
Family
ID=69983040
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911322600.9A Expired - Fee Related CN110952978B (zh) | 2019-12-20 | 2019-12-20 | 一种基于神经网络数据挖掘的钻井漏失裂缝宽度预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110952978B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111291097B (zh) * | 2020-05-08 | 2020-08-07 | 西南石油大学 | 一种基于决策树数据挖掘的钻井漏层位置实时预测方法 |
| CN111472752B (zh) * | 2020-05-27 | 2020-11-10 | 西南石油大学 | 一种利用录井数据的井漏裂缝宽度随钻估算方法 |
| CN111738620B (zh) * | 2020-07-17 | 2020-12-25 | 西南石油大学 | 一种基于关联规则的井漏风险预测与堵漏决策系统及方法 |
| CN112418489A (zh) * | 2020-11-05 | 2021-02-26 | 中国石油天然气股份有限公司 | 一种天然气井修井暂堵剂用量神经网络预测方法 |
| CN112381278A (zh) * | 2020-11-05 | 2021-02-19 | 中国石油天然气股份有限公司 | 一种单一区域内低压天然气井漏失程度快速预测方法 |
| CN112561211B (zh) * | 2021-02-19 | 2021-11-16 | 西南石油大学 | 基于神经网络深度学习的钻井循环压耗预测方法 |
| CN113073959B (zh) * | 2021-02-24 | 2022-04-08 | 西南石油大学 | 一种基于模糊决策树的钻井漏失机理预测及辅助决策方法 |
| CN113111586B (zh) * | 2021-04-19 | 2022-02-18 | 西南石油大学 | 一种基于神经网络的钻井堵漏配方预测方法 |
| CN114662390B (zh) * | 2022-03-22 | 2023-09-29 | 西南石油大学 | 一种基于svr算法的钻井漏失压力预测方法 |
| CN115330897B (zh) * | 2022-08-19 | 2023-12-19 | 天津大学 | 基于Matrix Pencil和全连接神经网络的声波测井成像方法 |
| CN117432414B (zh) * | 2023-12-20 | 2024-03-19 | 中煤科工开采研究院有限公司 | 顶板磨砂射流成缝的调控方法及系统 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103984856A (zh) * | 2014-06-19 | 2014-08-13 | 江苏新瑞峰信息科技有限公司 | 一种基于神经网络的墙体纵向裂缝宽度预测系统及方法 |
| CN104914465B (zh) * | 2015-06-02 | 2017-06-13 | 中国石油天然气股份有限公司 | 火山岩裂缝定量预测方法及装置 |
| CN106772606A (zh) * | 2017-01-05 | 2017-05-31 | 中国矿业大学(北京) | 一种对地裂缝进行有效识别的新方法 |
| CN106873033B (zh) * | 2017-03-13 | 2019-03-22 | 中国海洋石油集团有限公司 | 一种基于神经网络的多属性地震信息融合裂缝预测的方法 |
| CN108931814B (zh) * | 2017-05-26 | 2020-10-20 | 中国石油化工股份有限公司 | 一种基于多属性融合的基岩裂缝预测的方法 |
| CN109300103B (zh) * | 2017-07-24 | 2020-12-08 | 清华大学 | 一种混凝土表面裂缝宽度检测方法 |
| CN108229461B (zh) * | 2018-01-16 | 2021-12-28 | 上海同岩土木工程科技股份有限公司 | 一种基于深度学习的隧道裂缝快速识别方法 |
| CN108573320B (zh) * | 2018-03-08 | 2021-06-29 | 中国石油大学(北京) | 页岩气藏最终可采储量的计算方法和系统 |
| CN110309518B (zh) * | 2018-03-20 | 2022-03-01 | 中国石油化工股份有限公司 | 缝洞型碳酸盐岩油藏溶蚀孔洞分级分类建模方法 |
| CN108897066B (zh) * | 2018-08-23 | 2020-01-07 | 中国石油天然气股份有限公司 | 碳酸盐岩裂缝密度定量预测方法及装置 |
| CN109710968B (zh) * | 2018-11-14 | 2022-03-01 | 中国石油天然气股份有限公司 | 一种基岩潜山裂缝预测方法及装置 |
| CN109615615A (zh) * | 2018-11-26 | 2019-04-12 | 北京联合大学 | 一种基于abc—bp神经网络的裂缝识别方法及系统 |
| CN110009706A (zh) * | 2019-03-06 | 2019-07-12 | 上海电力学院 | 一种基于深层神经网络和迁移学习的数字岩心重构方法 |
-
2019
- 2019-12-20 CN CN201911322600.9A patent/CN110952978B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN110952978A (zh) | 2020-04-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110952978B (zh) | 一种基于神经网络数据挖掘的钻井漏失裂缝宽度预测方法 | |
| CN112901137B (zh) | 基于深度神经网络Sequential模型的深井钻井机械钻速预测方法 | |
| CN112343587B (zh) | 一种特低渗透油藏优势渗流通道识别表征方法 | |
| CN104533400B (zh) | 一种重构测井曲线的方法 | |
| CN113901681B (zh) | 一种全寿命周期页岩气储层双甜点三维可压性评估方法 | |
| CN111648764B (zh) | 一种多层气藏井下分布式温度监测产出剖面解释评价方法 | |
| CN112100930B (zh) | 一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法 | |
| CN111738371B (zh) | 一种基于随机森林数据挖掘的地层裂缝条数预测方法 | |
| CN114358434A (zh) | 基于lstm循环神经网络模型的钻井机械钻速预测方法 | |
| CN110988997A (zh) | 一种基于机器学习的烃源岩三维空间展布定量预测技术 | |
| CN108843296B (zh) | 一种基于多因素影响下的单井重复压裂效果预测方法 | |
| CN112160734B (zh) | 注采井相关性分析方法、装置、存储介质及计算机设备 | |
| CN117035197B (zh) | 一种代价最低化的井漏智能预测方法 | |
| CN103898890A (zh) | 一种基于bp神经网络的双桥静力触探数据的土层量化分层方法 | |
| CN111751878A (zh) | 横波速度的预测方法和装置 | |
| CN114562236B (zh) | 一种基于集成学习模型的地质工程一体化井漏实时预警方法 | |
| Leary et al. | Coupling crustal seismicity to crustal permeability-Power-law spatial correlation for EGS-induced and hydrothermal seismicity | |
| CN110032777B (zh) | 一种基于不确定性分析的钻井液密度安全窗口估计方法 | |
| CN108875109B (zh) | 一种异常地层压力的预测方法及系统 | |
| CN116451877B (zh) | 一种基于可计算语义网络的管网停开井产量预测方法 | |
| CN115508890B (zh) | 一种裂缝孔隙型储层叠前叠后反演方法 | |
| CN116906025B (zh) | 一种采油工程生产异常诊断装置 | |
| CN117236191A (zh) | 一种基于深度学习技术的预测储层物性参数方法 | |
| CN116522583A (zh) | 基于线性回归方法的水平井地层压力预测方法 | |
| CN118153741A (zh) | 一种基于人工智能的钻井安全周期预测方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201106 |